您现在的位置是:首页 > 文章详情

DL_WITH_PY系统学习(第2章)

日期:2018-05-24点击:393
img_03e7b9cbd237c246dc041f4bb59a92dc.jpe
本节提示:
1、第一个dl例子;
2、tensor和tensor操作;
3、DL如何通过逆向传播和梯度下降达到学习目的。

2.1 输入数据集的格式
from keras.datasets import mnist
(train_images,train_labels),(test_images,test_labels) = mnist.load_data()

print( 'train_image_shape',train_images.shape)
print( 'train_labels_len', len(train_labels))
print( 'train_labels',train_labels)


train_image_shape (60000, 28, 28)
train_labels_len 60000
train_labels [5 0 4 ... 5 6 8]
2.2训练网络结构
network = models.Sequential()
network.add(layers.Dense( 512, activation = 'relu', input_shape = ( 28* 28,)))
network.add(layers.Dense( 10, activation= 'softmax'))
layers(层)是训练网络的最基本组成部分,它读入数据,输出对于结果来说更有用的结果。
我们这里建立的层是全连接层,注意这里的input_shape用了(28*28,)这种表示方式。最后输出的结果是10选1的结果。

2.3编译模型
network.compile( optimizer= 'rmaprop', loss= 'categorical_crossentropy', metrics=[ 'accuracy'])

下一步,为了让DL能够开始训练,我们还需要额外的3个构建:
一个损失函数(a loss function)—用于计算系统训练的准确效果;
一个优化函数(an optimizer)—用于定义优化方法;
在训练的时候的度量—一般都是acc。

2.4处理数据集
在之前的读入的数据中,图片保存在类似(60000,28,28)这样的结构中,不方便处理,这里进行转换
train_images = train_images.reshape(( 60000, 28* 28))
train_images = train_images.astype( 'float32')/ 255

test_images = test_images.reshape(( 10000, 28* 28))
test_images = test_images.astype( 'float32')/ 255
一方面是reshape,另一方面是转换成float32结构。这两个都是非常常见的操作。

2.5进行one_hot处理
from keras.utils import to_categorical
train_labels = to_categorical(train_labels)
test_labels = to_categorical(test_labels)
变成这样:
img_877b7b88b31db91d8c9711cbcb34e9d2.png

2.6 现在就尝试训练

network.fit(train_images,train_labels, epochs= 5, batch_size= 128)

回顾一下这里输入模型的数据

rain_images 是数量*(长*宽)

train_labes 是onehot格式。这两个部分首先要清楚。

并且进行最后的验证

test_loss,test_acc = network.evaluate(test_images,test_labels)
 
注意,即使是这里的这些非常简单的函数和数据,如果没有GPU的支持,也可能是需要较长时间才能够运行的。

2.7 什么是tensor
经常看见的tensor这个词,所谓tensor,就是数据的容器(a container for data)
比如
np.array(12)就是一个0D tensor
np.array([12,3,6,14])一个列表,就是一个1D tensor
np.array([12,3,6,14],
             [6,79,35,1],
             [7,80,4,36,2] )
一个列表的组合,就是一个2D tensor
再往上堆,就是3D tensor,也是比较好理解的

2.8  tensor的组成
主要包括3个部分
维度(rank)比如3D tensor显而易见就是3d的                     对应ndim
形状(shape)也就是具体填充tensor里面的具体内容       对于shape
种类(data type) float32 或者 float64之类                        对于dtype

具体打印一个数据
import matplotlib.pyplot as plt
digit = train_images[ 3]
plt.imshow(digit, cmap=plt.cm.binary)
plt.show()
这里这个两次show令人印象深刻。

2.9实际情况下的图像存储
一套256*256的128 gray的图片集可以保存在(128,256,256,1)的4d tensor中;而一套同样大小的彩色图像可以保持在(128,256,256,3)的tensor中。
如果是video data,往往必须是5维数据。



来自为知笔记(Wiz)


附件列表

 

目前方向:图像拼接融合、图像识别 联系方式:jsxyhelu@foxmail.com
原文链接:https://yq.aliyun.com/articles/649390
关注公众号

低调大师中文资讯倾力打造互联网数据资讯、行业资源、电子商务、移动互联网、网络营销平台。

持续更新报道IT业界、互联网、市场资讯、驱动更新,是最及时权威的产业资讯及硬件资讯报道平台。

转载内容版权归作者及来源网站所有,本站原创内容转载请注明来源。

文章评论

共有0条评论来说两句吧...

文章二维码

扫描即可查看该文章

点击排行

推荐阅读

最新文章